聚類結果x=求解思路：
凝聚(agglomerative, bottom up)
從每個單獨的物件開始，將資料集中兩個或多個物件根據相似性不斷進行聚集
遵循類緊緻原則，使得聚集結果類內相似性最大
又叫最小生成樹演算法 可以用樹圖表示
**(divisive, top down)
首先將整個資料集當成乙個大類，根據相似性不斷對將各個物件**成小類
遵循類分離原則，使得聚類結果（物件）類間相似性最小
需首先構造物件之間的相似性網路，因此比凝聚方法更複雜
用韋恩圖表示
聚類演算法（一）
1.使用 kmeans演算法 k均值演算法是一種常用的聚類分析演算法。該演算法接受輸入值k，然後將n個資料物件劃分為k個簇，使得獲得的簇滿足如下條件 同一簇中的物件相似度較高，而不同簇中的物件相似度較小。kmeans演算法使用k均值演算法，簇的數量是由乙個引數指定，使用者可以選擇歐氏距離或曼哈頓距離...
聚類之層次聚類 基於劃分的聚類（
目錄 一層次聚類 層次聚類的原理及分類 層次聚類的流程 層次聚類的優缺點 二劃分聚類法k means kmeans演算法的原理 k均值的優缺點及分類 k means與dbscan的區別 k means注意問題 三基於密度的聚類 dbscan的概念 簇的生成原理及過程 根據資料點的密度分為三類點 db...
k means聚類，密度聚類，層次聚類優缺點
k means 優點 1，簡單，易於理解和實現 2，時間複雜度低 缺點 1，需要對均值給出定義,2，需要指定要聚類的數目 3，一些過大的異常值會帶來很大影響 4，演算法對初始選值敏感 5，適合球形聚類 層次聚類 優點 1，距離和規則的相似度容易定義，限制少 2，不需要預先制定聚類數 3，可以發現類的...